BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH

TRẦN THIỆN HUÂN

BÀI TOÁN NGƯỢC VẬN ĐỘNG ROBOT DẠNG NGƯỜI
TRONG PHÂN TÍCH ỔN ĐỊNH, TẠO DÁNG ĐI VÀ ĐIỀU
KHIỂN ỨNG DỤNG MÔ HÌNH MẠNG NƠ-RÔN MIMO
NARX THÍCH NGHI

LUẬN ÁN TIẾN SĨ

NGÀNH: CƠ KỸ THUẬT

Tp. Hồ Chí Minh, tháng 9/2019


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH

TRẦN THIỆN HUÂN

BÀI TOÁN NGƯỢC VẬN ĐỘNG ROBOT DẠNG
NGƯỜI TRONG PHÂN TÍCH ỔN ĐỊNH, TẠO
DÁNG ĐI VÀ ĐIỀU KHIỂN ỨNG DỤNG MÔ HÌNH
MẠNG NƠ-RÔN MIMO NARX THÍCH NGHI
NGÀNH: CƠ KỸ THUẬT - 9520101

Hướng dẫn khoa học:

- Từ 2003-nay: Giảng viên Trường Đại học Sư phạm Kỹ thuật Tp. HCM.
Tp. Hồ Chí Minh, ngày 20 tháng 09 năm 2019

Trần Thiện Huân

i


LỜI CAM ĐOAN
Tôi cam đoan đây là công trình nghiên cứu của tôi.
Các số liệu, kết quả nêu trong Luận án là trung thực và chưa
từng được ai công bố trong bất kỳ công trình nào khác.
Tp. Hồ Chí Minh, ngày 20 tháng 09 năm 2019

Trần Thiện Huân

ii


LỜI CẢM ƠN
Trước tiên, tôi xin gửi lời cảm ơn sâu sắc đến tập thể hướng dẫn:
Thầy PGS.TS. Hồ Phạm Huy Ánh và Thầy TS. Phan Đức Huynh, nhờ
những gợi ý nghiên cứu hết sức quý báu, những chỉ dẫn cụ thể và
những ý kiến phản biện của các Thầy đã giúp tôi hoàn thành luận án
này. Một lần nữa xin được bày tỏ lòng cảm ơn sâu sắc đến các Thầy.
Tôi xin gửi lời cảm ơn đến tất cả Thầy Cô Khoa Xây dựng – Cơ học ứng dụng,
Đại học Sư phạm Kỹ thuật Tp.HCM đã truyền đạt các kiến thức nền tảng quý báu
từ các học phần tiến sĩ, nhờ những kiến thức nền tảng này mà tôi mới có thể thực
hiện được công việc nghiên cứu. Xin gửi lời cảm ơn đến các Thầy trong các Hội
đồng đánh giá các chuyên đề Tiến sĩ, những ý kiến phản biện và góp ý thật sự đã

và mô hình mạng nơ-rôn tiến hóa thích nghi (Adaptive Evolutionary Neural
Model - AENM) để robot hai chân bước đi ổn định và tự nhiên như con người.

Các đóng góp mới của luận án được tóm tắt như sau:
Một là, Dip đã đề xuất bộ tạo dáng (WPG) phụ thuộc 4 thông số (S,
H, h, n) và thực hiện tối ưu 4 thông số của bộ tạo dáng (WPG) để
robot hai chân (kích thước nhỏ) bước đi ổn định với vận tốc nhanh
nhất có thể sử dụng thuật toán di truyền (Genetic Algorithm - GA).
Tuy nhiên, để bắt chướt dáng đi của con người thì robot hai chân
phải kiểm soát được độ nhấc chân. Vì vậy, tác giả tiếp tục thực
hiện tối ưu 4 thông số dáng đi (S, H, h, n) của bộ tạo dáng (WPG)
để robot hai chân bước đi ổn định với độ nhấc chân mong muốn
sử dụng các phương pháp tối ưu hóa ngẫu nhiên. Kết quả mô
phỏng và thực nghiệm trên mô hình robot hai chân kích thước nhỏ
HUBOT-5 chứng minh đề xuất của luận án là khả thi.
Hai là, trong quá trình robot hai chân bước đi thì 4 thông số của bộ
tạo dáng (WPG) của Dip là không đổi. Điều này làm cho robot hai chân
khó thực hiện bước đi ổn định và tự nhiên với 1 quỹ đạo ZMP (Zero
Momen Point) mong muốn. Để vượt qua khó khăn này, tác giả thực

iv


hiện nhận dạng 4 thông số của bộ tạo dáng (WPG) này sử
dụng mô hình mạng nơ-rôn tiến hóa thích nghi (AENM) được
tối ưu bởi thuật toán tiến hóa vi sai cải tiến (MDE). Kết quả
mô phỏng trên mô hình robot hai chân kích thước nhỏ
HUBOT-5 chứng minh đề xuất của luận án là khả thi.
Ba là, bộ tạo dáng (WPG) phụ thuộc 4 thông số (S, H, h, n) của Dip
được đề xuất chỉ áp dụng cho robot hai chân trong giai đoạn bước đi

trade-off constraints, hence it refers to evolutionary computation techniques.

In this thesis, the author performs the research and development of Walking
Pattern Generator (WPG) depending on 4 parameters of Dip (S- step length, h- leg
displacement, H- height of swing ankle, n- hip displacement) combining metaheuristic optimization approaches and Adaptive Evolutionary Neural Model
(AENM) for biped robot to move smoothly and naturally as humans.

The new contributions of the thesis are summarized as follows:
Firstly, Dip proposed WPG depending on 4 parameters (S, H, h, n) and
made optimal 4 parameters of WPG for the small-sized biped robot
stable movement with the fastest possible speed using genetic
algorithms (Genetic Algorithm-GA). However, in order to catch people's
gaits, biped robots have to control their foot-lifting. Therefore, the
author continues to optimize the four gait parameters (S, H, h, n) of the
WPG that permits the biped robot able to stably and naturally walking
with pre-set foot-lifting magnitude using meta-heuristic optimization
approaches. Simulation and experimental results on small-sized biped
robot model (HUBOT-5) prove that the thesis's proposal is feasible.
Secondly, while the human robot walks, the 4 parameters of the WPG of
Dip are unchanged. This makes biped robot difficult to perform a stable
and natural walk with a desired ZMP trajectory (Zero Momen Point). To
overcome this challenge, the author identifies and controls these 4

vi


parameters of the WPG using adaptive evolutionary neural
model (AENM) optimized Modified Differential Evolution (MDE).
Simulation results on the small-sized biped robot models
(HUBOT-5) prove the thesis's proposal is feasible.


iv

Mục lục

viii

Danh sách các chữ viết tắt

xi

Danh sách các hình

xii

Danh sách các bảng

xv

Danh mục các ký hiệu

xvi

Mở đầu

1

Động lực nghiên cứu

1



1.3 Kết luận
Chương 2. TỐI ƯU HÓA DÁNG ĐI CHO ROBOT HAI CHÂN KÍCH

19

THƯỚC NHỎ BƯỚC ĐI ỔN ĐỊNH VỚI ĐỘ NHẤC CHÂN MONG MUỐN
SỬ DỤNG THUẬT TOÁN TIẾN HÓA VI SAI CẢI TIẾN (MDE)

21

2.1 Giới thiệu

21

2.2 Mô hình robot hai chân

22

2.3 Quy hoạch dáng đi cho robot hai chân HUBOT-5

25

2.4 Tối ưu tham số dáng đi sử dụng thuật toán tiến hóa vi sai MDE

32

2.4.1 Giải thuật MDE



3.3 Nhận dạng và tối ưu mô hình mạng nơ-rôn tiến hóa thích nghi (AENM)

53

3.3.1 Đề xuất mô hình mạng nơ-rôn tiến hóa thích nghi (AENM)

54

3.3.2 Bộ tạo mẫu dáng đi (WPG)

56

3.3.3 Hoạt động của mô hình đề xuất

60

ix


3.4 Kết quả nhận dạng
3.5 Kết luận

60
65

Chương 4. HOẠCH ĐỊNH DÁNG ĐI TỰ NHIÊN CHO ROBOT HAI CHÂN67
4.1 Giới thiệu
4.2 Bộ tạo mẫu đi bộ tự nhiên (N-WPG) cho robot hai chân



Chương 5. KẾT LUẬN VÀ KIẾN NGHỊ

93

5.1 Kết luận

93

5.2 Kiến nghị

95

TÀI LIỆU THAM KHẢO

96

DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ

113

PHỤ LỤC

115

x


DANH SÁCH CÁC CHỮ VIẾT TẮT
HMP - Humanoid Motion Planning, Optimization, and Gait Generation


24

Hình 2.3: Bốn tham số ảnh hưởng đến dáng đi robot hai chân HUBOT-5

26

Hình 2.4: Minh họa 10 quỹ đạo GCoM và ZMP

28

Hình 2.5: Định nghĩa các biến trong công thức (2.4)

31

Hình 2.6: Diện tích vùng chân trụ trong 2 trường hợp

34

Hình 2.7: Phân bố khối lượng và tọa độ của các khâu

36

Hình 2.8: Lưu đồ khối tính quỹ đạo điểm ZMP

38

Hình 2.9: Giá trị trung bình của hàm mục tiêu

42


Hình 2.16: Quỹ đạo 10 góc quay ở 2 chân HUBOT-5 (

Href

=4cm)

47

Hình 2.17: Quỹ đạo sai lệch của 10 góc quay ở 2 chân HUBOT-5( Href =2cm)

48

Hình 2.18: Sai lệch của quỹ đạo 10 góc quay ở 2 chân HUBOT-5( Href =4cm)

48

Hình 3.1: Đề xuất sơ đồ điều khiển sử dụng mô hình AENM

54

xii


Hình 3.2: Đề xuất cấu trúc mô hình AENM
Hình 3.3: Bốn tham số ảnh hưởng đến dáng đi robot hai chân HUBOT-5

55
56


72

Hình 4.5: Quỹ đạo mong muốn của P1z

73

Hình 4.6: Quỹ đạo tham chiếu của P10 x

74

Hình 4.7: Quỹ đạo mong muốn của P10 z

75

Hình 4.8: Quỹ đạo tham chiếu của P5x

77

Hình 4.9: Quỹ đạo tham chiếu của P5 y

78

Hình 4.10: Quỹ đạo mong muốn của P5 z

79

Hình 4.11: Định nghĩa các biến trong công thức (4.18)

81



90

Hình 4.20: 10 quỹ đạo góc quay ở hai chân của robot khi bước đi tự nhiên

91

xiv


DANH SÁCH BẢNG
Bảng 1.1: Các nguyên tắc điều khiển của bộ cân bằng

14

Bảng 1.2: Tối ưu tham số dáng đi sử dụng thuật toán tiến hóa

17

Bảng 2.1: Giới hạn góc quay

24

Bảng 2.2: Thông số của 10 dáng đi

27

Bảng 2.3: Thông số vật lý của HUBOT-5

39


61

Bảng 3.2: So sánh kết quả huấn luyện

63

Bảng 3.3: Giá trị trọng số phù họp nhất của mô hình AENM đã đề xuất

65

Bảng 4.1: Thông số vật lý của HUBOT-4

87

Bảng 4.2: Thông số của 6 dáng đi tự nhiên

88

Bảng A.1: Pseudo-code of DE

115

Bảng A.2: Pseudo-code of giải thuật tiến hóa vi sai cải tiến MDE

116

xv




C1

hệ số gia tốc 1

C2

hệ số gia tốc 2

w

trọng số quán tính

Fhệ số đột biến
CR

xác suất lai ghép

H

độ nhấc chân theo ý muốn

xvi


MỞ ĐẦU
Động lực nghiên cứu
Trong những năm gần đây, nhiều nhà khoa học đã cùng tham gia để nghiên cứu giải
quyết nhiều vấn đề liên quan đến robot dạng người và cho ra đời 14 robot dạng người
nổi tiếng [1]: ASIMO tại công ty Honda, Cog tại MIT, HRP-5P tại AIST, HUBO tại KAIST,

động của một hệ thống động lực học dưới ràng buộc holonomic (đa hướng)
làm cho việc điều khiển phức tạp hơn. Cuối cùng mục đích chính của điều
khiển một robot mô phỏng người là duy trì sự ổn định động lực học (ổn
định ZMP online) trong bước chân, và là một vấn đề quan trọng cần được
nghiên cứu kỹ trong hoạch định di chuyển của robot mô phỏng người.
Tại Việt Nam, có những công trình nghiên cứu robot dạng người như sau. Dự
án nghiên cứu robot hai chân mô phỏng người đang thực hiện tại Phòng Thí
Nghiệm Trọng Điểm Quốc Gia Điều Khiển Số và Kỹ Thuật Hệ Thống (DCSELAB)
với các phiên bản: HUBOT-2, HUBOT-3 [2]. Robot hai chân HUTECH-1 của trường
đại học HUTECH [149]. Robot dạng người UXA 90-Light của trung tâm nghiên cứu
thiết bị và công nghệ cơ khí bách khoa [150]. Dự án VIEbot của Viện nghiên cứu
Điện tử, Tin học, Tự động hóa, Bộ công thương (VIELINA) [151].
Như vậy, những công trình nghiên cứu robot dạng người tại Việt Nam còn rất
hạn chế. Với mong muốn chế tạo một robot dạng người đầu tiên của Việt Nam có
khả năng bước đi giống người và góp phần vào dự án nghiên cứu robot hai chân
mô phỏng người đang thực hiện tại Phòng Thí Nghiệm Trọng Điểm Quốc Gia Điều
Khiển Số và Kỹ Thuật Hệ Thống (DCSELAB), chính là động lực nghiên cứu.

Mục tiêu nghiên cứu
Hoạch định, tối ưu hóa và tạo dáng đi cho robot dạng người là nhằm làm
cho robot đi được một cách tự nhiên và ổn định như con người. Hiện nay
vẫn là bài toán khó do kỹ thuật hiện tại chưa tiếp cận được các đối tượng
sinh học vô cùng phức tạp về kết cấu và tinh vi trong hoạt động.

2


Luận án này tiếp tục tập trung nghiên cứu và đề xuất những giải pháp mới về hoạch
định, tối ưu hóa và tạo dáng đi cho robot hai chân kích thước nhỏ có khả năng bước
đi thẳng được một cách tự nhiên và ổn định như con người trên địa hình bằng phẵng.

Kết quả nghiên cứu
Các kết quả nghiên cứu đạt được của luận án, được tóm tắt như sau:
Dip đã đề xuất bộ tạo dáng (WPG) phụ thuộc 4 thông số (S, H, h, n) và thực
hiện tối ưu 4 thông số của bộ tạo dáng (WPG) để robot hai chân (kích thước
nhỏ) bước đi ổn định với vận tốc nhanh nhất có thể sử dụng thuật toán di
truyền (Genetic Algorithm - GA). Tuy nhiên, để bắt chước dáng đi của con
người thì robot hai chân phải kiểm soát được độ nhấc chân. Vì vậy, tác giả
tiếp tục thực hiện tối ưu 4 thông số dáng đi (S, H, h, n) của bộ tạo dáng
(WPG) để robot hai chân bước đi ổn định với độ nhấc chân mong muốn sử
dụng các phương pháp tối ưu hóa ngẫu nhiên (meta-heuristic optimization
approaches): GA, PSO, MDE. Kết quả mô phỏng và thực nghiệm trên mô
hình robot hai chân kích thước nhỏ HUBOT-5 chứng minh đề xuất của luận
án là khả thi. Kết quả của nghiên cứu này được trình bày ở bài báo [2], [4]
và [7], trong danh mục công trình công bố của tác giả.
Trong quá trình robot hai chân bước đi thì 4 thông số của bộ tạo dáng
(WPG) của Dip là không đổi. Điều này làm cho robot hai chân khó thực hiện
bước đi ổn định và tự nhiên với 1 quỹ đạo ZMP (Zero Momen Point) mong
muốn. Để vượt qua khó khăn này, tác giả thực hiện nhận dạng và điều khiển
4 thông số của bộ tạo dáng (WPG) này sử dụng mô hình mạng nơ-rôn tiến
hóa thích nghi (Adaptive Evolutionary Neural Model - AENM) được tối ưu
bởi thuật toán (Modified Differential Evolution – MDE). Kết quả mô phỏng
trên mô hình robot hai chân kích thước nhỏ HUBOT-5 chứng minh đề xuất
của luận án là khả thi. Kết quả của nghiên cứu này được trình bày ở bài báo
[3], trong danh mục công trình công bố của tác giả.

4


Bộ tạo dáng (WPG) phụ thuộc 4 thông số (S, H, h, n) của Dip được đề
xuất chỉ áp dụng cho robot hai chân trong giai đoạn bước đi và thiếu giai

dụng mô hình mạng nơ-rôn tiến hóa thích nghi (AENM) được tối ưu bởi
thuật toán tiến hóa vi sai cải tiến (MDE). Chương này giới thiệu một hướng
mới để tạo dáng thích nghi robot hai chân với mục tiêu bước đi ổn định và
tự nhiên trên bề mặt bằng phẳng. Đề xuất áp dụng thuật toán tiến hóa vi sai
cải tiến (MDE – Modified Differential Evolution) tối ưu bộ trọng số của mô
hình mạng nơ-rôn tiến hóa thích nghi (AENM – Adaptive Evolutionary Neural
Model) để nhận dạng các thông số dáng đi của bộ tạo dáng (WPG – Walking
Pattern Generator) giúp robot hai chân bám theo quỹ đạo ZMP (Zero Moment
Point) mong muốn. Hiệu quả của đề xuất MDE được so sánh với thuật toán
PSO (Particle Swarm Optimisation) và GA (Genetic Algorithm). Phương pháp
đề xuất được kiểm chứng trên mẫu thử robot hai chân kích thước nhỏ
HUBOT-5. Kết quả nhận dạng chứng minh rằng phương pháp đề xuất (MDEAENM) hiệu quả trong việc tạo dáng đi bền vững và chính xác.
Chương 4: Hoạch định dáng đi tự nhiên cho robot hai chân. Chương này
giới thiệu hướng tiếp cận mới cho phép phát ra quỹ đạo bước đi tự nhiên
ổn định áp dụng cho robot hai chân kích thước nhỏ. Các thông số chính
được chọn thể hiện các ràng buộc từ tọa độ mong muốn của bàn chân, đầu
gối và hông tuân thủ nguyên lý ổn định ZMP. Từ đó quỹ đạo ổn định hoàn
chỉnh của bàn chân, đầu gối và hông được hình thành. Dựa trên bộ thông
số chủ chốt này, dùng phép biến đổi động học ngược của robot hai chân,
các kiểu quỹ đạo bước đi tự nhiên ổn định khác nhau sẽ được xây dựng,
qua đó cho phép điều khiển robot hai chân kích thước nhỏ bước đi tự nhiên
ổn định thỏa mãn nguyên lý ổn định ZMP thể hiện qua góc quay đồng bộ
phù hợp cho từng khớp. Các kết quả mô phỏng được thực hiện khẳng định
tính khả thi và hiệu quả của phương pháp hoạch định được đề xuất.

6